Odborníci z DeepMind (Google AI) prišli s novým softvérom pre sledovanie textu z pier. Jedná sa predovšetkým o sledovanie záznamu videa a interpretovanie konkrétneho rozhovoru. Pri testovaní boli použité tisícky televíznych záberov BBC. Doterajšie úspechy naznačujú úspešnosť 46,8%. To sa môže zdať na prvý pohľad ako nízka hodnota. Pre porovnanie, týmto konceptom sa zaoberala aj skupina vedcov na poprednej Univerzite v Oxforde. Začiatkom tohto mesiaca sa im podarilo sprevádzkovať softvér pre čítanie z pier z názvom LipNet, ktorý prinášal až fascinujúcu 93,4 percentnú úspešnosť oproti 52,3 % od ľudského špecialistu. Jednalo sa však predovšetkým o špeciálne pripravené zábery, kde respondenti odpovedali na určité formulácie viet.
Nový softvér od DeepMind známy pod názvom “Watch, Listen, Attend, and Spell” bol zameraný na ďaleko náročnejšie použitie. Viac ako 5000 hodín televíznych programov rôzneho druhu ako správ, rozhovorov, seriálov a dokumentov bolo použitých pri testovaní spomínaného nového softvéru. Videá zahrňujú 118 000 rozdielnych viet a až 17 500 unikátnych slov či slovných spojení. Testovacia databáza spomínaného LipNet obsahuje pre porovnanie len 51 unikátnych slov.
Cieľové využitie môže byť rôzne, od transkripcie pre pomoc sluchovo postihnutým, lepšie chápanie nemých filmov, alebo úplne nový spôsob ovládania hlasového asistenta v mobilnom telefóne. V rušných uliciach veľkomesta by tak telefón čerpal vaše hovorené slovo napríklad komparáciou údajov z mikrofónu a snímania kamery. Výskumníci z DeepMind však tvrdia, že sa stále zameriavajú na pomerne kvalitný a neroztrasený obraz, v súčasnosti nie je možné napríklad čítať zrnitý obraz bezpečnostných CCTV kamier.
Zdroj: theverge.com
